کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6863688 1439519 2018 25 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Context-augmented convolutional neural networks for twitter sarcasm detection
ترجمه فارسی عنوان
شبکه های عصبی کانولوشن متن به منظور تشخیص سارکوزی توییتر بافت
کلمات کلیدی
تشخیص سارکوز توییتر اطلاعات متنی، ویژگی های گسسته، شبکه عصبی متقاطع،
ترجمه چکیده
تشخیص سارکاسم در توییتر در سال های اخیر افزایش یافته است. با این وجود، کار موجود دو محدودیت دارد. اول، کارهای موجود عمدتا از مدل های گسسته استفاده می کنند که نیازمند تعداد زیادی از ویژگی های دستی است که می تواند برای دستیابی به آن هزینه داشته باشد. دوم، اکثر کارهای موجود بر اساس تکنیک های ویژگی بر اساس خود صدای جیر جیر تمرکز می کنند و از اطلاعات متنی در مورد صدای جیر جیر هدف استفاده نمی کنند. با این وجود، اطلاعات متنی (مثلا یک مکالمه یا توییتهای تاریخی از نویسنده توییتر هدف) ممکن است برای صدای جیر جیر مورد نظر در دسترس باشد. برای رسیدگی به دو موضوع فوق، ما مدل شبکه عصبی را برای تشخیص سارکوزی توییتر بررسی می کنیم. بر اساس شبکه عصبی کانولوشن، ما دو مدل مختلف عصبی متناهی را برای این کار پیشنهاد می کنیم. نتایج بر روی مجموعه داده نشان می دهد که مدل های عصبی می توانند عملکرد بهتر را در مقایسه با مدل های گسسته ای از حالت پیشرفته به دست آورند. در همین حال، مدل های عصبی تقویت شده پیشنهادی می توانند به طور موثری سرنخ های سارکوزی را از اطلاعات متنی پاک کنند و بهبود نسبی در عملکرد تشخیص را فراهم کنند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
شبکه های عصبی کانولوشن متن به منظور تشخیص سارکوزی توییتر بافت
چکیده انگلیسی
Sarcasm detection on twitter has received increasing research in recent years. However, existing work has two limitations. First, existing work mainly uses discrete models, requiring a large number of manual features, which can be expensive to obtain. Second, most existing work focuses on feature engineering according to the tweet itself, and does not utilize contextual information regarding the target tweet. However, contextual information (e.g. a conversation or the history tweets of the target tweet author) may be available for the target tweet. To address the above two issues, we explore the neural network models for twitter sarcasm detection. Based on convolutional neural network, we propose two different context-augmented neural models for this task. Results on the dataset show that neural models can achieve better performance compared to state-of-the-art discrete models. Meanwhile, the proposed context-augmented neural models can effectively decode sarcastic clues from contextual information, and give a relative improvement in the detection performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 308, 25 September 2018, Pages 1-7
نویسندگان
, , ,